/vkme17

Materialer til faget "Videregående kvantitative metoder i studiet af politisk adfærd", efterår 2017

Primary LanguageR

Titel

Dansk: Videregående kvantitative metoder i studiet af politisk adfærd

Engelsk: Advanced quantitative methods in the study of political behavior

Underviser

Faget undervises af Frederik Hjorth, Ph.D., adjunkt ved IfS.

Kursusindhold

Seminaret er en obligatorisk del af specialiseringen Politisk Adfærd og anvendt videregående kvantitative metode.

Seminaret dækker videregående kvantitative metoder, der anvendes i studiet af politisk adfærd. Det er tilrettelagt til at spille tæt sammen med Politisk adfærd, substansfaget i specialiseringen Politisk Adfærd og anvendt videregående kvantitative metode. Seminaret vil således inddrage tekster og temaer Politisk adfærd. Vi tager fat i centrale studier af politisk adfærd og spørger: hvordan er forfatteren nået frem til sit resultat? Kan vi genskabe resultatet? Og hvor følsomt er det over for andre metodiske valg? Vi lægger også stor vægt på hvordan studerende kan bruge metoderne til selv at besvare politologiske spørgsmål.

Seminaret er struktureret omkring tre tematiske blokke. Første blok, Brush-up (gang 1-4), samler op på centrale elementer fra Metode 2, herunder multivariat (OLS og logistisk) regressionsanalyse. Blokken introducerer også metoder til at håndtere paneldata ved hjælp af fixed effects modeller.

Anden blok, Kausal inferens (gang 5-11) handler om at undersøge om ét fænomen påvirker et andet – og hvor stor en eventuel påvirkning er. I de senere år har man inden for samfundsvidenskaben oplevet en sand ‘credibility revolution’ med et stadig stigende fokus på, hvordan man kan udtale sig om kausale effekter. I tråd med denne udvikling er formålet med blokken at introducere de studerende til forskellige forskningsdesigns og statistiske metoder til at drage kausale slutninger. Der vil især blive lagt stor vægt på designs, da et veldesignet studie ofte mindsker behovet for at anvende avancerede statistiske teknikker.

Tredje blok, Politologisk data science (gang 12-14), introducerer til hvordan man kan udtrække og analysere data fra andre kilder end traditionelle, flade tabelformater. Blokken introducerer til hvordan man kan ‘skrabe’ data fra internettet og metoder til at analysere tekstdata og spatiale data.

Gang Tema Litteratur Case
1 Introduktion til R Leeper (2016)
2 R workshop + tidy data Wickham (2014), Zhang (2017)
3 Regression I: OLS brush-up AP kap 3 Newman et al. (2015), Solt et al. (2017)
4 Regression II: Paneldata AGS kap 4 Larsen et al. (2017)
5 Introduktion til kausal inferens Hariri (2012), Samii (2016) Eckles & Bakshy (2017)
6 Matching Justesen & Klemmensen (2014) Nall (2015)
Efterårsferie
7 Eksperimenter I AP kap 1+2, GG kap 1+2 Gerber, Green & Larimer (2008)
8 Eksperimenter II GG kap 3+4+5 Gerber & Green (2000)
9 Instrumentvariable AP kap 4 Lundborg et al. (2017)
10 Difference-in-differences AP kap 5
11 Regressionsdiskontinuitetsdesigns AP kap 6 Eggers & Hainmueller (2009)
12 Tekst som data Grimmer & Stewart (2013), Benoit & Nulty (2016) Baturo & Mikhaylov (2013)
13 Scraping af data fra online-kilder MRMN kap 9+14 Hjorth (2016)
14 'Big data' og maskinlæring Varian (2014), Montgomery & Olivella (2017) Theocharis et al. (2016)

Tid og sted

Undervisningen finder sted onsdage 8-10 i lokale 2.0.24. Første undervisningsgang er onsdag d. 6. september.

Målbeskrivelser

Seminarets målsætning er at sætte den studerende i stand til efter endt undervisning at kunne (ILO's):

  1. Identificere relevante designs og teknikker for at løse politologiske problemstillinger.
  2. Bearbejde data i strukturerede og ustrukturerede formater mhp. senere analyse.
  3. Analysere empiriske politologiske problemstillinger med udgangspunkt i kvantitative data.
  4. Reflektere over fordele og ulemper ved forskellige designs og teknikker fra kursets pensum og samt i andres og eget arbejde.

Kompetencebeskrivelse

Faget giver en bedre forståelse af politisk adfærd og politiske processer: Mange politiske tiltag har som formål at påvirke borgernes adfærd og i den sammenhæng bidrager den politiske adfærdsforskning med en forståelse af, hvilke konsekvenser den førte politik kan forventes at have for menneskers adfærd. Som eksempel kan nævnes betydningen af politiske kampagner, anvendelse af performance mål i den offentlige sektor. Her kan den politiske adfærdsforskning bidrage med viden om, hvordan befolkningen reagerer på information og dermed udgøre et oplyst grundlag at føre politik på.

Der lægges vægt på, at de studerende opnår kompetencer til at forstå, udføre, tolke og præsentere undersøgelser med udgangspunkt i de forskningsdesigns og metoder, der fremgår af pensum, og at denne anvendelse sker i sammenhæng med teorier om politisk adfærd.

Undervisningsmateriale

  • [B]: Anbefales købt i bogform
  • [K]: Indgår i fagets kompendie

Bøger

  • [K] AGS: Andreß, H. J., Golsch, K., & Schmidt, A. W. (2013). Applied panel data analysis for economic and social surveys. Springer Science & Business Media.

  • [B] GG: Gerber, A. S., & Green, D. P. (2012). Field experiments: Design, analysis, and interpretation. WW Norton.

  • [B] AP: Angrist, J. D., & Pischke, J. S. (2008). Mostly harmless econometrics: An empiricist's companion. Princeton university press.

  • [K] MRMN: Munzert, S., Rubba, C., Meißner, P., & Nyhuis, D. (2014). Automated data collection with R: A practical guide to web scraping and text mining. John Wiley & Sons.

Artikler

  • Benoit, K., & Nulty, P. (2016) Getting Started with quanteda

  • [K] Grimmer, J., & Stewart, B. M. (2013). Text as data: The promise and pitfalls of automatic content analysis methods for political texts. Political Analysis, 21(3), 267-297.

  • [K] Hariri, J. G. (2012). Kausal inferens i statskundskaben. Politica, 44(2), 184-201.

  • [K] Justesen, M. K., & Klemmensen, R. (2014). Sammenligning af sammenlignelige observationer. Politica, 46(1), 60-78.

  • [K] Leeper, T. (2016). Really Introductory Introduction to R.

  • [K] Montgomery, J. M., & Olivella, S. (2017). Tree-based models for political science data. American Journal of Political Science, forthcoming.

  • [K] Samii, C. (2016). Causal empiricism in quantitative research. Journal of Politics 78(3): 941–955.

  • [K] Varian, H. R. (2014). Big data: New tricks for econometrics. The Journal of Economic Perspectives, 28(2), 3-27.

  • [K] Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1-23.

  • [K] Zhang, C. (2017). Tricks for cleaning your data in R.

Cases

  • Baturo, A., & Mikhaylov, S. (2013). Life of Brian revisited: Assessing informational and non-informational leadership tools. Political Science Research and Methods, 1(01), 139-157.

  • Eckles, D., & Bakshy, E. (2017). Bias and high-dimensional adjustment in observational studies of peer effects. Retrieved from arxiv.org/abs/1706.04692

  • Eggers, A. C., & Hainmueller, J. (2009). MPs for sale? Returns to office in postwar British politics. American Political Science Review, 103(04), 513-533.

  • Gerber, A. S., & Green, D. P. (2000). The effects of canvassing, telephone calls, and direct mail on voter turnout: A field experiment. American Political Science Review, 94(03), 653-663.

  • Gilens, M., & Page, B. I. (2014). Testing theories of American politics: Elites, interest groups, and average citizens. Perspectives on politics, 12(03), 564-581.

  • Gerber, A. S., Green, D. P., & Larimer, C. W. (2008). Social pressure and voter turnout: Evidence from a large-scale field experiment. American Political Science Review, 102(01), 33-48.

  • Hjorth, F. (2016). Intergroup Bias in Parliamentary Rule Enforcement. Political Research Quarterly, 69(4), 692-702.

  • Larsen, M. V., Hjorth, F., Dinesen, P. & Sønderskov, K. M. (2017). When Do Citizens Respond Politically to the Local Economy? Evidence from Registry Data on Local Housing Markets. Working paper.

  • Lundborg, P., Plug, E., & Rasmussen, A. W. (2017). Can Women Have Children and a Career? IV Evidence from IVF Treatments. The American Economic Review.

  • Nall, C. (2015). The political consequences of spatial policies: How interstate highways facilitated geographic polarization. The Journal of Politics, 77(2), 394-406.

  • Newman, B. J., Johnston, C. D., & Lown, P. L. (2015). False consciousness or class awareness? Local income inequality, personal economic position, and belief in American meritocracy. American Journal of Political Science, 59(2), 326-340.

  • Solt, F., Hu, Y., Hudson, K., Song, J., & Yu, D. E. (2017). Economic inequality and class consciousness. The Journal of Politics, 79(3).

  • Theocharis, Y., Barbera, P., Fazekas, Z., & Popa, S. A. (2016). A Bad Workman Blames His Tweets? The Consequences of Citizens’ Uncivil Twitter Use When Interacting with Party Candidates. Journal of Communication, 66, 1007-1031.

Supplerende læsning

  • Athey, S., & Imbens, G. (2016). The State of Applied Econometrics-Causality and Policy Evaluation. arXiv preprint arXiv:1607.00699.

  • Gelman, A., & Hill, J. (2006). Data analysis using regression and multilevel/hierarchical models. Cambridge University Press.

  • Grimmer, J. (2015). We are all social scientists now: how big data, machine learning, and causal inference work together. PS: Political Science & Politics, 48(01), 80-83.

  • Harford, T. (2014). Big data: A big mistake?. Significance, 11(5), 14-19. Chicago

  • Iacus, S.M., King, G., & Porro, G. (2016). CEM: Software for Coarsened Exact Matching

  • Imai, K. (2017): Quantitative Social Science: An Introduction. Princeton University Press.

  • Kleinberg, J., Ludwig, J., Mullainathan, S. (2016). A Guide to Solving Social Problems with Machine Learning. Harvard Business Review.

  • Ladd, J. M., & Lenz, G. S. (2009). Exploiting a rare communication shift to document the persuasive power of the news media. American Journal of Political Science, 53(2), 394-410.

  • Stegmueller, D. (2013). How many countries for multilevel modeling? A comparison of frequentist and Bayesian approaches. American Journal of Political Science, 57(3), 748-761.

Undervisningsform

Undervisnings- og læringsaktiviteter (TLAs):

  1. Holdundervisning, hvor ugens pensum gennemgås
  2. Løbende hjemmeøvelser i Swirl, et program til øvelsesopgaver implementeret direkte i R-konsollen
  3. Øvelsesopgave (midterm) ca. halvvejs i forløbet som samler op på pensum hidtil

Bedømmelsesaktiviteter:

  1. Løbende dialog i undervisningen
  2. Feedback ifm. midterm
  3. Karakter ifm. seminaropgave

Tabellen herunder sammenfatter hvordan fagets læringsmål (ILOs), undervisnings- og læringsaktiviteter (TLA's) og bedømmelse (AT's). Alle TLA's og AT's knytter an til alle tre ILO's, og opstillingen i de enkelte tabelrækker er således vilkårlig.

Læringsmål (ILO's) Undervisnings- og læringsaktiviteter (TLA's) Bedømmelse (AT's)
Identificere relevante designs og teknikker Holdundervisning Løbende dialog i undervisningen
Bearbejde data i strukturerede og ustrukturerede formater Løbende hjemmeøvelser i R notebooks Feedback ifm. midterm
Analysere empiriske politologiske problemstillinger Øvelsesopgave (midterm) Karakter ifm. seminaropgave
Reflektere over fordele og ulemper ved forskellige designs

Anbefalede faglige forudsætninger

Det forudsættes at man har gennemført Metode 2, Almen Statskundskab og Sammenlignede Statskundskab eller tilsvarende.

Tilmelding

Selvbetjeningen på KUnet.

Eksamen

Faget udgør 7,5 ECTS.

Eksamen består af en seminaropgave, som skal afleveres ved semestrets afslutning. Opgaven består af en selvstændig kvantitativ analyse af data, der trækker på metoder fra mindst to af fagets tre blokke. Opgaven kan analysere en original problemstilling eller have form af et replikationsstudie med afsæt i en eksisterende studie. For inspiration mht. data, se denne glimrende oversigt over politologiske datasæt.

Ca. halvvejs i semesteret skal studerende aflevere et oplæg til seminaropgave, som skal godkendes.

Den endelige seminaropgave bedømmes med en karakter på syvtrinsskalaen uden ekstern censur.

Kriterier for bedømmelse

Karakter Betegnelse Beskrivelse
12 Den fremragende præstation, der demonstrerer udtømmende opfyldelse af fagets mål. Viden: udtømmende viden om fagets metoder og metodiske begreber. Færdigheder: anvende fagets statistiske metoder og begreber med en høj grad af selvstændig refleksion. Kompetencer: gennemføre sofistikerede analyser af kvantitative data systematisk og stringent.
7 Den gode præstation, der demonstrerer opfyldelse af fagets mål med en del mangler. Viden: overordnet viden om fagets metoder og metodiske begreber. Færdigheder: anvende fagets statistiske metoder og begreber med nogen grad af selvstændig refleksion. Kompetencer: gennemføre analyser af kvantitative data med nogen systematik og stringens.
02 Den tilstrækkelige præstation, der demonstrerer den minimalt acceptable grad af opfyldelse af fagets mål. Viden: ringe viden om fagets metoder og metodiske begreber. Færdigheder: anvende fagets statistiske metoder og begreber med ringe grad af selvstændig refleksion. Kompetencer: gennemføre analyser af kvantitative data med begrænset systematik og stringens.

Arbejdsbelastning

Kategori Timer
Holdundervisning 28
I alt 28